Wenn ein KI-System vom Datenerfasser zu Befehlsgeber wird, verändern sich die Anforderungen an die Embedded-Software-Entwicklung, insbesondere an die Architektur. Das muss besonders bei Safety-kritischen Systemen berücksichtigt werden.

KI in Embedded Software führt klassische Tests in die Sackgasse. Warum herkömmliche Traceability nicht mehr reicht, saubere Testdaten Pflicht sind und „metamorphes Testen“ den Karren aus dem Qualitätssumpf zieht.

Buffer Overflows gelten seit Jahrzehnten als verstanden – auf Desktop-Systemen sind sie durch Compiler-Flags und Betriebssystem-Mechanismen weitgehend entschärft. Doch auf Embedded Devices fehlen diese Schutzmaßnahmen oft vollständig. Mit dem Cyber Resilience Act wird die Exploit Mitigation zur regulatorischen Pflicht. Für Hersteller bedeutet das: Handeln, bevor es der Gesetzgeber erzwingt.

Zentrale Rechner, Open Source und OTA-Updates verändern die funktionale Sicherheit im Software Defined Vehicle. Der Beitrag zeigt, wie Linux dennoch bis ASIL D nutzbar werden kann.

Die Wahl der Programmiersprache für Fahrzeugsteuergeräte galt lange als reine Entwicklungsfrage. Seit in der EU eine UN-Regulierung für alle neu zugelassenen Fahrzeuge verbindlich ist und europäische Hersteller erste Rust-basierte Steuergeräte-Software in Serienfahrzeugen ausliefern, ist daraus eine Entscheidung geworden, die Architektur, Zulassung und Einkauf betrifft.

Der Einsatz künstlicher Intelligenz hat in vielen Projektteams die Arbeit schneller gemacht, doch Abstimmungsprobleme zwischen Teams haben sich verschlimmert. Zu diesem Ergebnis kommt die Atlassian-Studie „State of Teams 2026“. Demnach verzeichnen zwar 89 Prozent der Führungskräfte Produktivitätsgewinne durch KI, doch nur sechs Prozent erkennen einen konkreten Return-on-Invest.

Softwaredefinierte Systeme brauchen auch unter schwierigen Netzwerkbedingungen einen verlässlichen Datenaustausch, damit Sicherheit, Leistung und konsistente Abläufe gewährleistet bleiben.

Deutschland bekommt ein KI-Sicherheitsinstitut. Der Nationale Sicherheitsrat beschloss die Einrichtung zur Risikobewertung moderner KI-Modelle.

Laut einer aktuellen Studie nutzen 97 Prozent der Unternehmen bereits KI-Coding-Tools, doch KI-generierter Code erhöht gleichzeitig die Angriffsfläche massiv. Klassische AppSec-Audits können die wachsende Komplexität aus Microservices, CI/CD-Pipelines und KI-generierten Abhängigkeiten nicht mehr abbilden. Kontinuierliche, in den Entwicklungszyklus eingebettete Sicherheitsprüfungen sind die Antwort.

Generative Künstliche Intelligenz (KI) soll jahrzehntealten Code per Knopfdruck in moderne Sprachen übersetzen. Das Analysehaus Gartner dämpft die Erwartung: Bei der automatisierten Migration komplexer Legacy-Systeme stoße die Technologie an harte Grenzen. Als Beleg dient der Mainframe, wo ein Großteil der KI-gestützten Projekte scheitern dürfte.